UI-Venus-2-9B：蚂蚁集团的9B GUI智能体，无论文、无公告，却拥有接近SOTA的指标

UI-Venus-2-9B 于 2026 年 8 月 26 日上架 Hugging Face，但缺少通常围绕模型发布的一切配套内容。没有公告帖。没有新闻稿。没有技术报告——README 上的 arXiv 徽章指向一个占位 URL，引用块中明确写着TODO：待 UI-Venus-2 报告公开后更新 arXiv 标识符。项目页面链接同样是个占位符。截至撰写本文时，该仓库的下载量为零，仅有一个赞；其中的四个 safetensors 分片描述了一个通用 GUI 智能体，在其自己的模型卡上，它在 AndroidWorld 和 OSWorld-Verified 上超越 Q​wen3.6-27B，在 WebVoyager 上超越 Claude Opus 4.6，在 Online-Mind2Web 上超越 O​penAI Operator，并将 OSBlind 攻击成功率从此前 GUI 智能体常见的 90%+ 降至 18.5%。InclusionAI 的模型卡将该系列归功于 Ant Group 的 Venus Team，这标志着 Ant Group 悄然进入开放权重计算机使用赛道——而最悄无声息之处在于，这些数字至今尚无任何一项被独立复现。

实际发布的内容

该仓库名为inclusionAI/UI-Venus-2-9B，标记为图像-文本到文本，带有qwen3_5架构标签。该模型有 9B 参数，由 Q​wen3.5-9B 初始化，以 BF16 格式在 Apache-2.0 下发布。它是一个基础 GUI 智能体：观察界面、推理任务状态、执行动作，并将结果反馈纳入下一步决策——一个闭环的“观察–推理–行动–反馈”循环，模型卡称该模型在一个检查点中经过训练，可覆盖移动应用、Web 平台和桌面操作系统。

• 参数 — 9B，由 Q​wen3.5-9B 初始化，BF16，四个分片。

• 许可证 — Apache-2.0.

• 上下文 — 官方 vLLM 调用中设置了 --max-model-len 262144（256K 个 token），也就是智能体在一个回合中可以保留的截图历史量。

• 服务——一流的 vLLM 支持，提供兼容 OpenAI 的端点，以及一个--reasoning-parser qwen3 标志，这意味着模型会在其动作之前以 Qwen3 风格生成推理标记。

• 覆盖范围——该卡片声称训练覆盖超过170+多语言移动应用（100+中文、70+英文）、50k+在线网站，以及包含50+专业应用的原生桌面操作系统。

推理解析器的细节比看起来更重要。一个在行动之前思考的GUI代理并不新鲜，但发布一个接入标准vLLM、使用兼容O​penAI的API和原装Q​wen推理解析器的代理，意味着部署环节在好的意义上平淡无奇——只需一条命令即可启动，对于一个昨天才创建的模型来说，这种成熟度非同寻常。

数字，以及它们不是什么

以下内容均来自供应商报告。模型卡发布了对比表格，其中列出了强公开基线，而对UI-Venus-2-9B表现最佳的一行是AndroidWorld 80.2——高于Q​wen3.6-27B的70.3、MAI-UI-8B的70.7和GUI-Owl-1.5-32B-Instruct的69.8。在OSWorld-Verified上，该9B模型取得70.8，同样领先Q​wen3.6-27B的62.0，但落后于Kimi K2.6的73.1。在网页导航方面，模型卡列出WebVoyager 90.8，高于Claude Opus 4.6的88.0和Seed-2.0的85.1；以及Online-Mind2Web的74.0，对比O​penAI Operator的61.3。

最引人注目的内部对比，是与模型自身基座的对比。在DeskCraft上，UI-Venus-2-9B得分48.0，而其初始化来源的Q​wen3.5-9B仅得14.6——33.4分的跃升正是训练方案的全部论据所在，这一规律在CAPTCHA上同样成立：MCA-Bench 75.7对基座的30.4，NextGen-CAPTCHAs 47.6对2.8。CAPTCHA的数据本身就值得单独关注，因为它们是最清晰的信号，表明该模型是为运行真实、充满对抗性的生产网站而生，而非面对干净的基准测试页面。

• 移动 — AndroidWorld 80.2、MobileWorld 65.8、VenusBench-Mobile 46.5。

• 计算机使用 — OSWorld-Verified 70.8, DeskCraft 48.0.

• Web：WebVoyager 90.8、Online-Mind2Web 74.0、REAL 76.9、Odysseys 77.3。

• GUI 定位 — ScreenSpot-Pro 73.0、VenusBench-GD 77.1、OSWorld-G-R 78.5、UI-Vision 53.2。

• CAPTCHA：Spatial-CAPTCHA-Bench 42.8、MCA-Bench 75.7、NextGen-CAPTCHAs 47.6、OpenCaptcha 50.7。

• 安全性 — OSBlind 攻击成功率为 18.5%，同一卡片上 Claude 4.5 Sonnet 为 73.0，GPT-4o 为 93.3。

配方：五个任务族，三个阶段

{{1}}该卡描述的训练流程，正是基础模型增量如此之大的原因。UI-Venus-2 通过三个阶段，在五个任务族——Grounding、CAPTCHA、Mobile、Web 和 Computer——的精心互补混合体上进行训练。{{2}}第一阶段，在模拟移动、网页和操作系统环境中进行大规模基于轨迹的多模态中期训练，通过人类与判别器协作验证过滤无效交互，并辅以程序化合成的 Grounding 和 CAPTCHA 监督。{{3}}第二阶段，针对 Mobile、OS 和 Web 进行离线逐步强化学习，优化状态感知的动作选择，并将经过验证的 CAPTCHA 和 Grounding 实例嵌入真实界面中，以教授在视觉杂波下的精确局部定位。{{4}}第三阶段，采用多教师同策略蒸馏，将领域专精的教师模型整合为统一的策略。{{/4}}{{/3}}{{/2}}{{/1}}

验证层是最具特色的部分。任务完成度基于与任务相关的视觉关键点来评判，而不是粗略的最终画面检查；多个模型投票以聚合异构评审器——这一设计旨在让强化学习奖励信号对奖励黑客行为具有鲁棒性。验证后的反馈随后作为反思监督蒸馏回训练中，使智能体能够区分部分进展与真正的完成，并在长视界交互中恢复。这些都没有经过独立验证，卡片上也没有任何可复现的内容可供参照——这正是论文本应支撑的论断。

家族及其与Ant Group的关联

UI-Venus-2-9B 是 inclusionAI 一直以来都在悄悄发布的系列的第三代。最初的 UI-Venus 技术报告于 2025 年 8 月发布，包含 7B 和 72B 检查点；UI-Venus 1.5 随后于 2026 年 2 月推出，提供 2B、8B 和 30B-A3B 变体。新模型卡上的引用块署名“Venus Team, Ant Group”，这正是 inclusionAI 对自身与蚂蚁集团关系的表述——也就是说，这是蚂蚁集团的 AI 实验室以 inclusionAI 的名义发布成果。该系列的核心理念是：GUI 智能体应当仅凭像素工作——通过截图观察屏幕，而非依赖 DOM 树、无障碍 XML 或 UI 转储；正因如此，它才能适用于大量不暴露结构化 UI 数据的中英文移动应用。配套的 Venus Framework 来自该系列的 GitHub，用于驱动 Android 自动化，并支持并行多设备控制。

我们尚不知道的事情

对这个仓库的诚实解读是：其宣称与证据之间仍有巨大差距。目前没有公开的UI-Venus-2技术报告——那个徽章只是占位符，而README中写明该报告“尚未公开”——因此基准测试表格只是厂商自己提供的数据，既没有方法文档，也没有独立复现。没有真实可访问的项目页面。没有官方公告，也就意味着没有官方定价、没有托管的API，也没有确认的路线图。模型卡中的表格反复列出了一个UI-Venus-2-27B——在AndroidWorld上84.0分，OSWorld-Verified上80.5分，OSBlind上12.3分——但截至撰写本文时，这个模型在Hugging Face上并不存在，也就是说该系列的主打旗舰型号被提及却从未发布。而且下载量为零，目前实验室之外没有任何人实际运行过这个检查点。

你实际上会怎么运行它

在所有未知因素中，唯一具体的就是模型服务。该卡片记录了一条 vLLM 命令，该命令以 256K 上下文窗口和 OpenAI 兼容的 API 启动模型：

vllm serve inclusionAI/UI-Venus-2-9B --port 8000 --tensor-parallel-size 1 --max-model-len 262144 --reasoning-parser qwen3

这使得实际路径是自托管——下载权重、运行 vLLM，并将你的代理框架指向 localhost。在这种情况下，路由层是在周边技术栈上体现价值，而不是在 GUI 代理本身：编写任务计划的模型、复核屏幕状态的视觉模型、记录所发生内容的转录模型——所有这些都通过 OrcaRouter 以提供商列表价格接入，0% 加价并自动故障转移，因此你可以在不押注生产管道的情况下，用一个一天前发布的模型进行原型验证。当这样的 GUI 代理检查点进入某个路由提供商时，它会以相同的直通价格出现在该提供商的列表价格中，而供应商的降价也会在同一天落到我们这边。在那之前，Apache-2.0 的权重就是全部关键。

接下来看什么

三件事将决定这艘无声无息的船是否会成为新闻。{{1}}填满模型卡表格的UI-Venus-2-27B是否真的会出现在Hugging Face上，以及它是否带有12.3的OSBlind分数。{{/1}}{{2}}技术报告是否会发布，并能否经受住首次独立复现的检验。{{/2}}{{3}}以及Ant Group是否认为沉寂期已经结束——因为拥有这些表格数据和256K上下文窗口的9B开放权重智能体，不会在零下载的状态下停留太久。{{/3}}